2D-3D配准指南[方法汇总]【入门指导向】（二）2D-3D MatchNet +pointnet 整个文章系列将介绍LCD、2D-3D MatchNet、三元损失函数、VGG-Net、图神经网络等内容。
2D-3D配准指南[方法汇总]【入门指导向】（一）问题介绍+LCD跨域描述子+Triplet loss 近年来，增强现实应用不断涌现。这类应用需要将三维模型与二维图像进行匹配。同样，大规模位置识别系统可能需要定位拍摄 2D 图像的准确位置。为此，必须对二维和三维数据进行注册或对齐。如果不能确保被对齐的二维和三维数据是同一现实的相同表现形式，即它们之间存在匹配关系，则无法执行此类操作。因此，在通过 2D-3D 注册对齐匹配对之前，有必要完成 2D-3D 匹配任务。寻找在图像patch和点云patch上执行2D-3D匹配的稳健描述符的问题可以表述如下：设I∈RW×H×3I∈RW×H。
Open3D的隐藏点去除算法如何实现？点云隐藏点去除算法——超详细底层算法实现讲解【深入了解算法本质】 论文介绍了一种新的方法——直接从点云中提取可见性信息。点云是一个包含3D位置信息的采样点集，与传统的网格表示相比更加简单和灵活。通过提取点云中的可见性信息，可以实现点集的可视化、视角相关的快速重构和实时的阴影投射。本文提出的方法简单快速，不依赖于屏幕分辨率和网格拓扑结构，并且适用于各种维度的点云。另外还对算法进行了理论证明，并给出了实验结果和应用示例。
[上海科技大学论文]相机定位增强实现视觉LiDAR点云对齐（Camera Poses Augmentation with Large-scale LiDAR Maps）论文记录【适用大规模点云重建】 上海科技大学论文——相机定位增强实现视觉LiDAR点云对齐。原文题目：CP+: Camera Poses Augmentation with Large-scale LiDAR Maps大规模彩色点云在导航或者场景显示方面有许多的优点。我们现在依靠广泛用于重建任务的相机和激光雷达就可以获得这样的彩色点云。然而在许多现有的框架中这两种传感器的信息没有很好的融合进而导致着色效果差、相机姿态不准确、点着色结果受损。文章为解决这一对齐问题提出了一种名为。
【CNN基础知识】一文详解反向传播（Backpropagation）在CNN中如何具体实现——卷积、池化(上) 受课程的大作业启发，仔细学习了下反向传播的具体实现过程。我们都知道CNN在训练时既有前向传播也有反向传播，但是在Pytorch中只需要一行代码就可以实现反向传播。我们不必手动实现它们。因此，大多数深度学习书籍也没有涵盖它。文章会从三部分进行分析。
[点云配准]LCD(2D-3D特征配准算法)例程align_point_cloud.py解析 跨域描述符LCD可以实现二维图片特征点到三维点云特征点的配准，是个具有通用性的深度学习特征描述子。（图片来源于论文）在Github开源的源码里面给出了利用LCD进行的例程。align_point_cloud.py，这里对例程如何使用已经训练好的模型来进行三维点云配准进行解析。
Open3D 15.1 报错 module ‘open3d‘ has no attribute ‘registration‘（跑LCD代码时报错） 在较新版本的Open3D中registration被放在了pipelines下面，所以调用时要把原来的。我的Open3D用着一直没毛病，所以大概率是版本变动了库文件路径。在跑用老版本Open3D库的程序时报了错。在Github上也有人出现了类似情况。
python3.6.0 安装 open3d 报错 “ImportError: DLL load failed: 找不到指定的程序” 解决方法 本人在Windows10系统Python3.6.0版本下pip安装open3d库结果死活调用不了，这里把排错过程放出来给大家避避雷。
Face3D学习笔记（6）3DMM示例源码解析【下】从二维图片的特征点重建三维模型 在Face3d中的求解过程可以概述如下：(1)初始化α,β\alpha,\betaα,β为0；(2)利用黄金标准算法得到一个仿射矩阵PAP_APA，分解得到s,R,t2ds,R,t_{2d}s,R,t2d；(3)将(2)中求出的s,R,t2ds,R,t_{2d}s,R,t2d带入能量方程，解得β\betaβ；(4)将(2)和(3)中求出的α\alphaα代入能量方程，解得α\alphaα；(5)更新α,β\alpha,\betaα,β的值，重复(2)-(4)进行迭代更新。在上一篇文章我们通过
关注
